대학이 맞닥뜨린 ‘문해력 위기’
대학은 전통적으로 지식과 교양의 보고(寶庫)로 자리매김해왔다. 한때는 읽고 쓰는 능력, 즉 문자 해득과 논리적 서술 능력이 학문적 성취를 결정짓는 가장 중요한 문해력이었다. 그러나 21세기 디지털 네이티브 세대가 대학 캠퍼스에 들어서면서 상황은 복잡하게 변하고 있다. 학생들은 이미 인터넷 검색과 스마트 기기 활용에 익숙하며, 영상과 이미지 기반의 콘텐츠를 빠르게 소비하고 생산한다. 표면적으로는 디지털 친화적이지만, 역설적으로 인공지능(AI)이라는 새로운 문해력 영역에서는 심각한 취약성을 드러내고 있다.
대학 현장에서 종종 목격되는 장면은 이를 단적으로 보여준다. 어떤 학생은 AI 챗봇이 만들어준 참고문헌 목록을 그대로 제출한다. 겉보기에는 완벽한 형식이지만 실제로 존재하지 않는 ‘환상 속 논문’이 포함된 경우가 많다. 또 다른 학생은 AI가 제시한 통계 수치를 아무런 검증 없이 인용한다. 문제는 이 같은 사례가 단순한 부주의가 아니라, AI 도구에 대한 근본적 이해 부족에서 비롯된다는 점이다. 디지털 시대의 신입생들이 ‘기술적으로는 능숙하지만 비판적으로는 문맹’이라는 모순된 상황이 벌어지고 있는 것이다.
이제 대학은 새로운 과제에 직면한다. AI 리터러시(AI literacy), 즉 인공지능을 이해하고 활용하며 비판적으로 평가할 수 있는 능력을 학생들에게 어떻게 길러줄 것인가. 단순히 정보검색이나 글쓰기 보조 수준의 숙련을 넘어, AI 시대의 학문적 성실성과 사회적 책임을 포괄하는 교양으로서의 AI 리터러시가 요구된다. 이는 더 이상 선택적 역량이 아니라, 고등교육이 제공해야 할 핵심 학습 과제로 자리 잡고 있다.
AI 리터러시가 왜 ‘새로운 학문적 문해력’인가
오늘날 대학 교육에서 정보 문해력(information literacy)과 연구 방법론은 학문 활동의 두 축을 이룬다. 학생들은 도서관 자료를 찾고, 신뢰할 만한 학술지 논문을 판별하며, 인용 규칙을 따라 글을 작성한다. 그러나 AI 도구의 등장은 이러한 기존 문해력의 지형을 근본적으로 바꿔놓았다. AI는 단순한 자료 검색 엔진이 아니라, 해석과 서술까지 가능하게 하는 새로운 ‘지적 파트너’이기 때문이다.
이전에는 학생이 스스로 자료를 찾고 정리해야 했던 과정이 AI로 인해 자동화될 수 있다. 이는 편의성을 제공하지만 동시에 위험을 내포한다. AI가 만들어낸 답변이 사실과 허구를 교묘히 섞는 경우, 학생들은 그것을 구분하지 못한 채 그대로 수용할 수 있다. 더 나아가 AI가 특정 문화나 집단의 편향을 반영할 때, 학생들이 이를 인식하지 못하면 왜곡된 지식을 학습하게 된다. 결국 AI 리터러시란 ‘비판적 거리두기’를 가능하게 하는 능력이며, 이를 통해 학생들은 AI를 맹목적으로 따르지 않고 학문적 엄밀성을 유지할 수 있다.
또한, 졸업 후 노동시장에서도 AI 리터러시는 필수적인 역량으로 자리 잡고 있다. 기업은 단순히 AI를 ‘쓸 줄 아는’ 인재가 아니라, AI의 한계와 위험을 이해하며 전략적으로 도구를 선택할 수 있는 인재를 원한다. 즉, AI 리터러시는 더 이상 특정 전공에 국한되지 않고, 모든 분야의 졸업생에게 요구되는 보편적 교양으로 부상하고 있다. 대학이 이를 교육하지 못한다면, 학생들은 사회에 나가 ‘지식인’이 아니라 ‘AI 의존인’으로 평가받을 위험에 놓인다.
핵심 역량의 첫 단계 – 기술적 기초
AI 리터러시를 구성하는 12개 핵심 역량 중 첫 번째 축은 기술적 기초 역량(Core Technical Competencies)이다. 이는 학생들이 AI와 효과적으로 상호작용하기 위해 반드시 갖춰야 하는 기본 기술들을 의미한다.
첫째, 프롬프트 엔지니어링(prompt engineering)이다. AI에게 무엇을 어떻게 묻느냐가 결과의 질을 좌우한다. 모호한 질문은 피상적인 답변을 낳고, 구체적이고 맥락이 풍부한 질문은 더 깊이 있는 응답을 이끌어낸다. 예컨대 “기후변화에 대해 써줘”라는 요청과 “지난 5년간의 학술 연구를 기반으로 해양 산성화와 기후변화의 관계를 설명하라”는 요청은 전혀 다른 결과를 가져온다. 이는 마치 연구자가 좋은 연구 질문을 세우는 과정과 동일한 사고력을 요구한다.
둘째, AI 사실검증과 출처 확인 능력이다. 학생들은 AI가 제공한 정보를 무비판적으로 받아들이기보다, 반드시 신뢰할 만한 자료와 대조해야 한다. AI가 제시한 인용문이나 통계는 출발점일 뿐, 진짜 학술적 근거는 원문 자료 속에 있다. 예를 들어, 재생에너지 정책을 조사할 때 AI의 답변만 의존하는 것이 아니라, 정부 보고서나 학술지 논문을 직접 확인하는 습관을 길러야 한다.
셋째, AI 출력물 평가 능력이다. AI가 내놓은 답변이 단순 요약에 그치는지, 비판적 분석을 담고 있는지, 질문의 범위를 충분히 다루는지를 분별할 수 있어야 한다. 특히 인문학적 주제를 다룰 때 AI가 보여주는 피상성과 해석 부족을 인지하고, 이를 인간의 사고와 창의성으로 보완해야 한다.
넷째, 반복적 협업 기법(iterative collaboration)이다. AI와의 대화는 단발적 요청으로 끝나는 것이 아니라, 여러 차례 피드백과 수정 과정을 통해 점점 정교해지는 협업에 가깝다. 학생들이 AI를 단순한 답변 제공자가 아니라, 아이디어를 발전시키는 대화 파트너로 활용할 때, 비로소 학문적 성과가 극대화될 수 있다.
이러한 기술적 기초 역량은 AI 리터러시의 출발점이다. 그러나 기술적 숙련만으로는 충분하지 않다. AI의 작동 원리와 사회적 맥락을 이해하는 지식, 윤리적 기준, 학습과정 속 통합 전략이 함께 갖춰져야 한다. 따라서 다음 단계는 AI 시스템과 도구에 대한 이해로 나아간다.
AI 시스템과 도구를 읽는 눈
AI 리터러시의 두 번째 축은 AI 시스템 이해와 도구 활용 능력(AI Systems Knowledge and Tool Literacy)이다. 기술적 기초가 ‘사용법’을 다룬다면, 이 단계는 그 사용이 이루어지는 맥락과 배경을 이해하는 능력에 초점이 맞춰져 있다.
무엇보다 중요한 것은 알고리즘의 편향 인식이다. AI는 ‘중립적 기계’로 여겨지기 쉽지만, 사실 그 결과물은 훈련 데이터의 성격을 고스란히 반영한다. 예컨대 역사적 사건을 조사할 때 AI는 주류 학계의 서술만을 주로 반영할 수 있으며, 주변부 집단이나 소수자의 목소리는 배제될 가능성이 높다. 이런 한계를 인식하지 못한 채 AI의 답변을 ‘완전한 진실’로 받아들인다면 학문적 균형은 무너진다. 따라서 학생들은 AI 결과물을 있는 그대로 소비하는 것이 아니라, 비판적 거리를 두고 검토하는 태도를 가져야 한다.
또한, 수많은 AI 서비스가 등장한 지금, 학생들에게는 도구 선택과 비교 능력이 요구된다. 과제 작성에 특화된 도구, 데이터 분석을 지원하는 도구, 문헌 검토를 돕는 도구 등 목적별 AI가 각기 다르다. 대학생이 이러한 특성을 파악하지 못하면, 잘못된 도구를 사용해 학습 효율을 떨어뜨리거나 개인정보를 노출할 위험을 감수하게 된다. 예를 들어, 특정 AI는 데이터 프라이버시 보호가 취약할 수 있다. 반면 대학이 제공하는 전용 AI 플랫폼은 안전성이 높지만 기능이 제한적일 수 있다. 학생들은 자신의 학습 목표와 상황에 맞춰 도구를 선별적으로 활용하는 안목을 길러야 한다.
더불어 오늘날에는 텍스트뿐 아니라 이미지·영상·오디오 등 멀티모달 콘텐츠를 생성하는 AI가 급속히 보급되고 있다. 가짜 이미지와 조작된 음성이 사실처럼 유통되는 환경에서, 학생들은 AI 생성물의 진위와 맥락을 판별할 수 있는 비판적 시각을 가져야 한다. 정치 집회 사진이 실제 기록인지 AI 합성물인지 가려내는 능력은 단순한 기술 문제가 아니라, 민주사회에서 진실을 지키는 시민적 문해력과도 직결된다.
학문적 성실성과 윤리
세 번째 축은 학문적 성실성과 윤리(Academic Integrity and Ethics)다. 이는 대학이 AI 리터러시 교육에서 결코 놓칠 수 없는 부분이다.
첫째, AI 사용의 투명성이다. 학생들이 AI의 도움을 받았다면 어디까지가 자신의 기여이고 어디까지가 AI의 보조인지 명확히 밝혀야 한다. 그러나 현재 많은 대학은 이 문제를 둘러싸고 갈팡질팡하고 있다. 어떤 대학은 AI 활용을 전면 금지하지만, 다른 대학은 일정 수준의 활용을 허용하며 출처 표기를 요구한다. 학생들은 이러한 제도적 혼란 속에서 스스로 윤리적 기준을 세워야 하는 상황에 놓여 있다. AI는 아이디어를 제시하거나 글을 다듬는 데 도움을 줄 수 있지만, 최종적인 분석과 비판적 사고는 반드시 인간의 몫임을 명확히 인식해야 한다.
둘째, 데이터 프라이버시와 보안 문제다. 연구 과정에서 수집된 민감한 데이터, 미발표 논문 내용, 인터뷰 기록 등을 무심코 AI 시스템에 입력하는 경우가 있다. 그러나 이는 학문적 기밀과 연구 참여자의 권리를 침해할 수 있다. 따라서 학생들은 어떤 정보는 AI에 공유해서는 안 된다는 원칙을 배워야 한다. 이를 위해 대학은 안전한 AI 환경을 마련하고, 학생들에게 책임 있는 데이터 관리 교육을 제공해야 한다.
셋째, 형평성과 포용성이다. AI 도구가 학습에 큰 도움이 되는 것은 사실이지만, 동시에 격차를 심화시킬 가능성도 있다. 유료 프리미엄 계정을 이용할 수 있는 학생과 그렇지 못한 학생 사이의 차이는 단순한 편의성 문제가 아니라 학습 성과의 격차로 이어질 수 있다. 또한 비영어권 학생들은 AI 번역과 글쓰기 보조의 도움으로 큰 혜택을 얻을 수 있지만, 이는 다시 영어권 학생과의 경쟁 구도를 바꿔놓는다. 따라서 대학은 AI 활용에서의 형평성과 접근성 문제를 적극적으로 다뤄야 한다.
결국 학문적 성실성은 단순히 표절을 피하는 차원을 넘어, AI 시대에 학문 공동체가 지켜야 할 새로운 윤리 규범을 수립하는 과제와 맞닿아 있다.
학습과 워크플로우에 AI 통합하기
마지막으로 네 번째 축은 학습과 워크플로우 통합(Learning and Workflow Integration)이다. 이는 학생이 단순히 AI를 사용할 줄 아는 수준을 넘어, AI를 학문 활동 전체에 전략적으로 통합하는 역량을 의미한다.
첫째, AI-인간 협업 워크플로우 설계다. AI는 브레인스토밍이나 초안 작성, 자료 정리에 뛰어난 반면, 깊이 있는 분석과 창의적 해석은 인간의 몫이다. 따라서 학생들은 어느 단계에서 AI를 활용하고, 어느 단계에서 스스로 사고해야 하는지 명확히 구분할 수 있어야 한다. 예컨대 리포트 작성에서 AI는 관련 논문 목록을 정리하는 데 도움을 줄 수 있지만, 연구 결과를 종합해 독창적 주장을 세우는 것은 학생의 책임이다.
둘째, 메타 학습(meta-learning)이다. 학생들은 AI를 단순한 결과 제공자로 보는 것이 아니라, 학습을 돕는 교사로 활용할 수 있다. 예를 들어, 통계학 개념에 어려움을 겪는 학생이 AI에게 연습문제를 생성해달라고 요청하고, 그 풀이 과정을 단계별로 설명받을 수 있다. 이 과정을 통해 학생은 자신의 약점을 파악하고 보완할 수 있다. 그러나 이때도 중요한 것은 AI 의존에 빠지지 않고, 스스로 사고하며 이해하는 학습 태도를 유지하는 것이다.
셋째, 자율성과 책임성이다. AI를 통한 학습 보조는 개인화된 경험을 제공하지만, 동시에 학습자의 자율적 선택과 책임이 요구된다. AI가 제시하는 학습 전략을 무비판적으로 수용하면 자기주도적 학습 역량은 오히려 퇴화할 수 있다. 따라서 학생들은 AI를 도구로 활용하되, 최종 학습 성과에 대한 주체적 책임을 져야 한다.
결국 학습과 워크플로우 속 AI 통합은 단순한 효율성의 문제가 아니라, 어떻게 하면 AI를 활용하면서도 인간 고유의 사고와 창의성을 잃지 않을 것인가라는 질문과 연결된다. 이 지점에서 AI 리터러시는 단순한 기술이 아니라 학문적 태도, 나아가 삶의 태도로 확장된다.
대학 교실과 연구실의 변화
AI 리터러시가 단순한 구호에 그치지 않고 실질적인 교육적 변화를 이끌어내려면, 대학 교실과 연구실 현장에서 어떤 변화가 일어나는지를 구체적으로 살펴볼 필요가 있다. 최근 몇 년간 대학은 AI 도구를 둘러싸고 다양한 실험을 진행해왔다. 특히 글쓰기 과목이나 프로젝트 기반 학습에서 AI의 개입은 피할 수 없는 현실이 되었다.
우선, 에세이 작성 방식의 변화가 두드러진다. 과거에는 학생이 자료 수집에서 초안 작성, 최종 교정까지 모든 과정을 직접 수행했다면, 이제는 AI가 초안이나 요약본을 빠르게 생성해준다. 교수자 입장에서는 학생들이 AI가 제공한 초안을 어떻게 ‘가공’하고 ‘비판’하는지에 더 주목해야 하는 상황이 되었다. 따라서 평가 기준 역시 단순히 결과물의 완성도를 넘어, AI 활용 과정에서의 비판적 개입 정도를 포함하도록 재설계되고 있다.
또한, 실험 설계와 데이터 분석 분야에서도 AI의 영향력이 확대되고 있다. 이공계 연구실에서는 AI가 방대한 데이터셋을 처리하거나 시뮬레이션을 지원하는 경우가 늘고 있다. 문제는 학생들이 이러한 결과를 단순히 신뢰하는 것이 아니라, 실험적 검증 과정과 교차 확인 절차를 반드시 병행해야 한다는 점이다. 연구실에서의 AI 리터러시는 곧 과학적 엄밀성 유지와 윤리적 연구 수행의 문제로 직결된다.
교수자와 학생 간의 관계 역시 변화를 겪고 있다. 과거에는 교수가 지식의 주요 전달자였다면, 이제는 AI가 정보를 제공하고 교수자는 비판적 사고와 윤리적 태도의 안내자로 역할을 전환하고 있다. 특히 멘토링 과정에서는 학생들이 AI와의 상호작용에서 얻은 결과를 토대로 토론하고, 인간적 관점에서 성찰하는 활동이 강조된다. 다시 말해, 교수자의 권위는 단순한 정보 전달이 아니라, AI 시대에도 여전히 인간만이 제공할 수 있는 해석과 통찰의 가치에 의해 재정립되고 있다.
세계 대학의 대응 전략
AI 리터러시는 특정 국가나 특정 대학의 문제가 아니라, 세계 고등교육이 공통적으로 마주한 도전 과제다. 실제로 각국 대학은 다양한 방식으로 AI 활용을 제도화하거나 통제하려는 움직임을 보이고 있다.
유럽의 일부 대학은 대학 차원의 AI 가이드라인을 마련하여, 모든 전공 학생이 AI의 기본 원리를 배우도록 의무화했다. 단순한 선택 과목이나 특강이 아니라, 교양과정 속에 AI 리터러시를 내재화한 것이다. 이는 “AI 문해력은 더 이상 특수 기술이 아니라 학문 활동 전반을 뒷받침하는 인프라”라는 인식에 기반한다.
반면, 미국의 일부 대학은 보다 실험적 접근을 택하고 있다. 예컨대 특정 수업에서는 AI 활용을 전면 허용하고, 그 대신 학생들에게 ‘AI 사용 보고서’를 제출하게 한다. 여기에는 어떤 프롬프트를 사용했는지, 결과를 어떻게 검증했는지, 최종 과제에서 AI가 차지한 비중이 어느 정도인지가 기록된다. 이는 학생들에게 단순한 사용을 넘어 메타적 성찰을 유도하는 방식이다.
아시아 지역 대학들은 균형 잡힌 접근을 모색하는 경향이 강하다. 일부 대학은 AI 활용을 엄격히 제한하면서도, 동시에 전용 플랫폼을 개발해 안전한 환경에서 AI 학습을 지원한다. 예를 들어, 특정 대학은 자체 개발한 챗봇을 학내 학술 데이터베이스와 연동시켜, 학생들이 개인정보 유출 우려 없이 활용할 수 있도록 하고 있다.
이처럼 세계 대학의 대응은 상이하지만, 공통점이 있다. 바로 AI를 완전히 배제할 수 없다는 현실을 인정하고, 제도적 장치를 통해 교육적 활용으로 전환하려는 노력이다. 금지 중심의 접근은 학생들의 실제 사용 행태와 괴리를 빚고, 결과적으로 음성적 활용을 부추길 수 있다. 따라서 진정한 대응 전략은 “어떻게 가르칠 것인가”이지, “사용할 것인가 말 것인가”의 이분법적 질문이 아니다.
AI 리터러시를 대학 교육에 통합하는 과정에서 남은 과제는 단순하지 않다. 가장 먼저 꼽히는 것은 접근성의 불평등이다. 유료 프리미엄 계정과 무료 계정 사이의 격차는 단순한 속도와 편의성의 문제가 아니다. 프리미엄 서비스는 최신 데이터를 반영하거나 고급 기능을 제공하는 경우가 많기 때문에, 이를 활용할 수 있는 학생과 그렇지 못한 학생 사이에는 학습 성과의 불균형이 발생한다. 교육 현장에서 이러한 격차는 곧 교육 기회의 형평성 문제로 비화할 수 있다.
또한, 학문적 창의성의 위기라는 논쟁도 존재한다. AI가 제시하는 답변은 구조화되고 일관성 있지만, 때로는 인간의 독창적 사고를 억누르기도 한다. 학생들이 스스로 탐구하고 질문을 던지는 대신, AI가 제시한 틀 안에서 사고하는 습관이 자리 잡을 위험이 있다. 결국 이는 대학 교육의 핵심인 비판적 사고와 창의적 탐구 정신을 훼손할 수 있다는 우려로 이어진다.
마지막으로, 책임 소재의 문제가 남는다. 학생이 AI를 활용해 부정확한 데이터를 제출했을 때 그 책임은 누구에게 있는가? AI 도구를 개발한 기업, 이를 허용한 대학, 아니면 무비판적으로 사용한 학생 본인인가? 이 질문은 단순히 과제 평가를 넘어, 연구 윤리와 학문 공동체의 신뢰와 직결된다. 대학은 이와 관련해 명확한 기준과 절차를 마련해야 하며, 학생·교수·기관 모두가 책임을 공유하는 새로운 학문적 계약을 체결해야 한다.
AI 시대의 진짜 ‘교양인’ 되기
AI 리터러시는 더 이상 선택적 기술이 아니다. 이는 대학이 학생들에게 제공해야 할 새로운 교양, 곧 21세기의 학문적 문해력이다. 대학 졸업장은 단순히 지식을 습득했다는 증거가 아니라, 사회에 나아가 비판적이고 책임 있는 시민으로 활동할 수 있는 역량을 담보해야 한다. AI를 다루는 능력이 없다면, 학생들은 정보의 홍수 속에서 길을 잃거나, 기술의 도구가 될 위험에 처하게 된다.
따라서 대학은 AI 리터러시를 커리큘럼 전반에 통합해야 한다. 이는 단순히 워크숍이나 특강으로 해결될 문제가 아니다. 글쓰기 수업, 연구 방법론, 전공별 프로젝트 등 학문 활동 전반에 AI 리터러시의 요소를 심어야 한다. 또한, 교수자 역시 AI 교육의 최전선에서 자신의 역할을 재정립해야 한다. 지식 전달자에서 벗어나, 비판적 해석과 윤리적 판단의 길잡이로 변모해야 한다.
궁극적으로 AI 시대의 교양인은 단순히 도구를 잘 다루는 사람이 아니다. AI가 만들어낸 답변을 넘어, 그 한계를 직시하고, 인간적 통찰로 보완하며, 책임 있는 방식으로 활용할 줄 아는 사람이다. 대학은 바로 이러한 인재를 길러내야 한다. AI를 금지하는 대신, 공존과 활용을 통해 새로운 학문적 지평을 열어야 한다. 그것이야말로 21세기 대학이 짊어진 가장 중요한 사명이다.
#AI리터러시 #대학교육 #학문적성실성 #인공지능교육 #고등교육혁신
답글 남기기